绕过文档摄入：面向金融问答的 MCP 方法

Sasan Mansouri; Edoardo Pilla; Mark Wahrenburg; Fabian Woebbeking

绕过文档摄入：面向金融问答的 MCP 方法

信息检索 2026-03-24 v1 人工智能

作者: Sasan Mansouri , Edoardo Pilla , Mark Wahrenburg , Fabian Woebbeking

摘要

回答金融问题常被视为信息检索问题。实际上，大量相关信息已存在于精选供应商系统中，尤其是用于量化分析。我们研究了 Model Context Protocol (MCP) 是否以及在何种条件下比标准检索增强生成 (RAG) 更可靠，通过允许大型语言模型 (LLM) 直接与数据交互而无需文档摄入和块检索。我们通过构建自定义 MCP 服务器将 LSEG API 作为工具进行测试，并在 FinDER 基准上进行评估。该方法在金融子集上表现尤佳，在相关上下文检索时实现了最高可达 80.4% 的准确率。因此，本文为 MCP 基于金融问答 (QA) 提供了基准，同时阐明了该方法何时会失效，例如针对需要定性或文档特定上下文的问题。总体而言，直接访问精选数据是量化金融 QA 中轻量且有效的文档中心 RAG 替代方案，但并非所有金融 QA 任务的替代方案。

关键词

模型上下文协议金融问答 RAG 替代方案 LSEG API FinDER 基准

引用

@article{arxiv.2603.20316,
  title  = {Bypassing Document Ingestion: An MCP Approach to Financial Q&A},
  author = {Sasan Mansouri and Edoardo Pilla and Mark Wahrenburg and Fabian Woebbeking},
  journal= {arXiv preprint arXiv:2603.20316},
  year   = {2026}
}

备注

19 pages, 10 figures

绕过文档摄入：面向金融问答的 MCP 方法

摘要

关键词

引用

备注

相关论文